Inference methods for unit-specific coefficients in panel data models with latent group structure
潜在分组面板模型中个体特定系数的推断方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究具有潜在分组结构的面板数据模型和个体特定系数推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
潜在分组面板模型中个体特定系数的推断方法
- 研究问题
- 面板个体的系数具有潜在分组结构时，如何利用组内信息提高个体系数推断精度，同时计入分组误判带来的不确定性？
- 方法与思路
- 作者将 t 检验和 Wald 检验与组别置信集结合，分别采用组别集合内最小统计量和误分组偏差修正，并构造相应标准误。
- 材料陈述的贡献
- 摘要称，两种方法分别提供可能不连通的较短置信集与连通区间，并给出适用于短时间维度的调整标准误及最低工资应用。
- 阅读关注点
- 应核对组别置信集的覆盖保证、两类推断的联合误差控制、短面板标准误成立的条件，以及区间长度改善针对哪些个体。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出面板误差与组间分离条件，区间更窄的结论仅来自所述模拟情形。
原文摘要
This paper introduces statistical inference procedures for unit-specific coefficients in panel data models, where the coefficients exhibit a latent group structure. The proposed methods achieve efficiency gains by clustering units into a small number of groups, while explicitly accounting for the statistical uncertainty of group assignments. The core idea is to integrate standard inference procedures, such as the $t$-test and Wald tests, with confidence sets for group membership. Two methods are proposed: the first takes the minimum of the test statistics over the confidence set for group membership, and the second corrects for bias caused by possible group misassignment. The former can produce shorter but possibly disconnected sets, while the latter guarantees connected, interpretable intervals at some cost in length. We also develop standard errors that are adjusted for possible group misassignment and valid even with short time periods, which may be of independent interest. Monte Carlo simulations demonstrate that our approach yields narrower confidence sets for units with relatively large error variances than unit-by-unit time-series methods. In contrast, ignoring statistical uncertainty in the group membership estimation leads to distortions in size and coverage. We illustrate the method with an empirical example that estimates the effect of the minimum wage in each U.S. state.